Brain-Inspired Intelligence for Real-Time Health Situation Understanding in Smart e-Health Home Applications
Notice bibliographique
Résumé
The autonomic computing layer of the smart e-Health home based on a cognitive dynamic system (CDS) can be a solution for improving health situation understanding, reducing the healthcare system costs, and improving people's quality of life. It can also be a solution for reducing the large number of sudden deaths outside of a hospital due to fatal diseases such as Arrhythmia. Towards this objective, we start from understanding the health situation, by diagnosing healthy and unhealthy persons. For this, we developed a decision-making system that is inspired by the medical doctors (MDs) decision-making processes. Our system is based on a CDS for cognitive decision-making and it can create a decision-making tree automatically. The simple, low complexity algorithmic design of the proposed system makes it suitable for real-time applications. A proof-of-concept case study of the implementation of the CDS was done on Arrhythmia disease. An accuracy of 95.4% was achieved using the proposed algorithms. Also, these algorithms can make a decision in less than 80 ms, and for one User, this includes the time for training. The proposed platform can be extended for more healthcare applications such as screening, disease class diagnosis, prevention, treatment, or monitoring healing. As a result, the proposed CDS algorithms can be an example of the first step for designing the autonomic computing layer of a smart e-Health home platform.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».